论文部分内容阅读
近年来随着移动通信技术的快速发展,第五代移动通信技术(5G)正趋于成熟,2019年,我国的工业和信息化部分别向中国移动、中国电信、中国联通、中国广电发放5G的商用牌照,四大运营商正厉兵秣马,加快5G移动通信网络的建设工作。在5G网络规划与优化环节中一个重要的部分就是基站选址,合理的基站选址能在满足覆盖范围和用户服务质量的前提下极大的节约成本。传统的定点路测、定量覆盖方法难以满足快速、全面、准确评估网络性能的要求。系统级网络性能仿真虽能实现精确分析,但海量的计算量和时间开销使得其无法在实际的网络规划中应用。深度学习作为人工智能技术的一个重要分支,近年来在各个领域都受到了研究人员的高度重视。目前来说,将人工智能技术应用于社会的各个领域是一种必然的趋势,人工智能技术在医疗、安防、自动驾驶等领域已经取得了一定的研究成果。针对传统网络规划与优化方法的缺点,本文引入了深度神经网络模型,提出了一种用户时延的预测方式可用于5G的基站选址,满足实际网络规划的需求。本文的主要研究内容和创新点如下所示:本文提出了一种栅格级的用户时延预测的方法,该方法将系统仿真和深度神经模型融为一体,先利用射线追踪模型与5G无线仿真平台结合构建时延仿真模型以获得大量的用户时延数据。再利用深度神经网络模型学习时延数据的特征训练神经网络模型,利用训练完成的神经网络模型可将射线追踪模型的输出结果当作输入数据,快速准确的预测用户的时延,无需经过仿真平台的重复仿真,可节省大量的时间和计算资源。提出了三视图特征模型,用于神经网络模型的输入特征提取。训练神经网络模型过程中一个关键任务是输入特征的提取,合理的输入特征能大幅提高神经网络模型的预测精度。针对射线追踪模型的特性基于无线通信理论提出了三视图特征模型,大量的实验结果证明了三视图特征模型的有效性和准确性。